심층 신경망이 훈련 데이터에는 잘 맞지만 테스트 데이터에서는 성능이 저조합니다. 과적합을 줄이기 위해 다음 중 무엇을 고려해야 할까요? (세 가지 선택)

심층 신경망이 훈련 데이터에 과적합되고 테스트 데이터에서 성능이 저조할 때, 과적합을 줄이기 위한 전략을 고려해야 합니다. 정규화(Regularization)는 모델의 복잡성을 제한하여 과적합을 방지합니다. 정규화 강도를 증가시키면 모델이 훈련 데이터에 너무 밀접하게 맞춰지는 것을 막아 일반화 성능을 향상시킵니다. 드롭아웃(Dropout)은 훈련 중에 무작위로 뉴런의 일부를 비활성화하여 모델이 특정 뉴런에 과도하게 의존하는 것을 방지합니다. 드롭아웃 비율을 증가시키면 모델의 앙상블 효과가 커져 과적합이 줄어듭니다. 특징 상호작용(Feature interaction)의 수는 모델의 복잡성에 기여합니다. 수동으로 생성된 특징 상호작용의 수가 많아지면 모델이 훈련 데이터의 노이즈까지 학습하여 과적합될 가능성이 높아집니다. 따라서 특징 상호작용의 수를 감소시키면 모델의 복잡성을 줄여 과적합을 완화할 수 있습니다. 정규화 감소와 드롭아웃 감소는 모델의 복잡성을 증가시키거나 과적합 방지 효과를 줄여 과적합을 악화시킬 수 있습니다. 수동으로 생성된 특징 상호작용의 수 증가는 모델의 복잡성을 불필요하게 늘려 과적합을 유발할 수 있습니다.